Monitoraggio delle prestazioni e dell'utilizzo dei modelli distribuiti

Quando si utilizza una distribuzione di ML per generare previsioni, è possibile monitorare le prestazioni del modello di origine analizzando la deriva dei dati nel tempo. È possibile anche visualizzare i dettagli sull'utilizzo della distribuzione per le previsioni, come ad esempio il modo in cui è stata attivata ogni previsione e il tasso di fallimento delle previsioni.

Il monitoraggio dei modelli distribuiti e delle distribuzioni di ML viene eseguito con analisi incorporate.

Monitoraggio deriva dei dati

Con il monitoraggio della deriva dei dati, è possibile analizzare come i dati di input per le previsioni del modello sono cambiati nel tempo e come differiscono dal training set originale. Con questi strumenti, è possibile determinare il punto in cui il modello deve essere addestrato nuovamente o sostituito a causa di una significativa deriva delle funzioni.

Per maggiori informazioni sul monitoraggio della deriva dei dati in AutoML, vedere Monitoraggio della deriva dei dati nei modelli distribuiti.

Per informazioni generali sulla deriva dei dati, consultare Deriva dei dati.

Monitoraggio operazioni

Poiché le distribuzioni di ML vengono utilizzate per creare previsioni, è utile monitorare i dettagli delle operazioni. Con il monitoraggio delle operazioni in AutoML, è possibile fare quanto segue:

• Visualizzare il numero di richieste, previsioni e fallimenti delle previsioni per la distribuzione.

• Analizzare gli eventi di previsione in base al trigger (ad esempio, quanti sono stati avviati inizialmente in modo manuale rispetto a quelli pianificati).

• Visualizzare un registro dettagliato che mostra ogni evento di previsione con i dettagli chiave.

Per ulteriori informazioni, vedere Monitoraggio delle operazioni del modello distribuito.